配列検索よくあるご質問

よくあるご質問
質問
Q1
ホモロジー検索におけるスコア値 (Score) と同一性 (Identities) の関係は？
Q2
アライメント情報に表示されるハイフン (-)，プラス (+)，コロン (：) などの意味を知りたい．
Q3
BLAST ホモロジー検索の結果で，自分が作成した配列質問式に含めていない XXX や
NNN が表示されることがあります．なぜですか?
(低分子領域とは?)
Q4
tBLASTn, tBLASTx, BLASTx を実行 * すると，結果のアライメント情報に Frame 1,
Frame 2 などが表示されます．この Frame の意味は?
また，一つの回答に一つの Frame しかない場合と Frame 1, Frame 3 など複数の
Frame が表示される場合があります．これはなぜですか?
* tBLASTn は REGISTRY ファイル (BLAST), DGENE/PCTGEN/USGENE ファイル (BLAST,
GETSIM) で利用可能．
tBLASTx と BLASTx は REGISTRY ファイル (BLAST) のみで利用可能．
Q5
ホモロジー検索でホモロジー検索で曖昧コードを使用した場合と使用しなかった場合のス
コア値は同じですか?
例えば，DGENE ファイルの曖昧コード R は A または G を意味しますが，コード R で
検索した時の結果は，(コード A の結果 OR コード G の結果 ) と同じになりますか
Q6
基となる配列 (質問式 A) と，その一部のコードを切り取った配列 (質問式 B) の部分
配列検索の結果は，下記の関係が成立します．
質問式 A の回答件数 ≦ 質問式 B の回答件数
同じ関係が，ホモロジー検索の結果でも成立しますか?
Q7
環状の核酸・タンパク質を検索する方法は？
参考
下記サイトには，上記以外の DGENE/PCTGEN/USGENE ファイルの BLAST および
GETSIM ホモロジー検索に関する多くの質問が記載されています (英語資料 )．
ぜひご覧ください．
http://www.stn-international.com/fileadmin/be_user/STN/pdf/search_materials/Bioseq
uence_Searching/dgenefaq.pdf
1
よくあるご質問
Q1
ホモロジー検索におけるスコア値 (Score) と同一性 (Identities) の関係は？
A1
ホモロジー検索では，質問式配列と回答配列が一致した局所領域について類似性を，スコア
値および同一性パーセントで表しています．
スコア値 (Score)
・
配列質問式および結果のコードの一致，不一致，類似性により，点数が決まっており，そ
の点数を加算していくことでスコア値が算出されます．
- BLAST : 核酸
Query: 67 ggagacgtagattcggagg
||||||||||||||||a||
Sbjct: 44 ggagacgtagattcggcgg
← 質問式
← 回答
デフォールト設定の場合
コードが一致
: 1 点
コードが不一致
: -3 点
- BLAST : タンパク質
選択した置換行列により，コードの点数が異なります．
下記は，デフォールト BLOSUM 62 におけるマトリックスチャートです．
Query: 22 KPIKLVELINIHV
Sbjct: 565 KPIK+VELGKIHV
Sbjct: 565 KPIKIVELGKIHV
・
← 質問式
← 回答
K-K で一致
L+I でファミリー一致
I G で不一致
: 5 点
: 2 点
: -4 点
以上より，一致しているコード，ファミリーで一致しているコードが多いほど，高いスコア値に
なります．
2
よくあるご質問
同一性パーセント (Identitties)
・局所領域において塩基やアミノ酸コードが一致している割合を示します．
Identities = 29/30 (96%)
Query:
16 caggttccctggtgcaggcagcgctgactc 45
|||||||||||||C||||||||||||||||
Subject: 65 caggttccctggtccaggcagcgctgactc 94
局所領域の配列長
一致しているコード数
⇒ 同一性パーセント
: 30
: 29
: 29/30 (96%)
スコア値 (Score) と同一性パーセント (Identities)の関係
例 ) 質問式の配列長が 200 である場合
(200 コードが完全に一致した時のスコア値を 400 と仮定し，100 コードが一致した時のスコア
値を 300 と仮定します．)
1. 質問式の配列と完全に同じ配列 (配列長 200) のレコード
質問式
1
200
回答
1
200
200 コードが完全に一致する
スコア値は 400
同一性パーセント : 100% (200/200)
2. 全配列長が 400 で，質問式の配列を完全に含むレコード
1
質問式
回答
200
400
1
100
300
200 コードが完全に一致する
スコア値は 400
同一性パーセント : 100% (200/200)
3. 全配列長が 400 で，質問式の一部の配列と完全に一致する配列を有するレコード
回答
51
1
質問式
150
200
1
400
151
250
100 コードが一致する
スコア値は 300
同一性パーセント : 100% (100/100)
4. 全配列長が 150 で，質問式の一部の配列と完全に一致する配列を有するレコード
質問式
回答
51
1
1
31
150
130
200
150
100 コードが一致する
スコア値は 300
同一性パーセント : 100% (100/100)
・ 1. と 2. は回答の配列長に関わらず，局所領域で一致したコードの数が同じなので，スコア値
が同じです．(最大スコア値 )
・ 3. と 4. は同一性パーセント (局所領域においてコードが一致している割合 ) が 100% と高い
ですが，1., 2. に比べて一致したコードが半分のため，スコア値が低くなります．
3
よくあるご質問
Q2
アライメント情報に表示されるハイフン (-)，プラス (+)，コロン (：) などの意味を知りたい．
A2
アライメント情報に表示される記号は，核酸，タンパク質および BLAST，GETSIM ホモロジー
検索で異なります．
・
核酸 – REGISTRY BLAST および DGENE/PCTGEN/USGENE ファイルの BLAST
Query: 67 ggagacgtagattcggaggcggccaggcggcg
||||||||||||||||C||||||CA|||||||
Sbjct: 44 ggagacgtagattcggcggcggc—ggcggcg
・
← 質問式
← 回答
: 一致
: 不一致
: ギャップ (GAP)
：
空欄
．
-
:
:
:
:
一致
不一致
U と T の一致
ギャップ (GAP)
タンパク質 – REGISTRY BLAST および DGENE/PCTGEN/USGENE ファイルの BLAST
Query: 22
QVGKGSVSPNAALVAEKISARSGAE
QVQ+NS+HR+AALVAEKISARSKL+
Sbjct: 565 QVQQNSLHRDAAL-------RSKLQ
・
← 回答
|
空欄
-
核酸 – DGENE/PCTGEN/USGENE ファイルの GETSIM
29 na overlap starting at 546
aggagugguaggucuuagccagcuguaau
::T:T.CA.:TT.AC.:::::::.GU::.
agtattcatatttactagccagct--aat
・
← 質問式
コード
空欄
+
-
:
:
:
:
一致
不一致
アミノ酸ファミリーの一致
ギャップ (GAP)
:
:
:
:
一致
不一致
アミノ酸ファミリーの一致
ギャップ (GAP)
タンパク質 – DGENE/PCTGEN/USGENE ファイルの GETSIM
31 aa overlap starting at 569
qlkkflkialetparicp_inysllasllpk
::.::::.:..::.r.n:s:.l:s:.:l.::
qlrkflklaiktpvwlnpsitlsslgs_fpk
：
空欄
．
-
ギャップ (GAP) は質問式または回答の配列に挿入されることがあり，ギャップが挿入されると，
スコア値は下がります．
4
よくあるご質問
Q3
BLAST ホモロジー検索の結果で，自分が作成した配列質問式に含めていない XXX や
NNN が表示されることがあります．なぜですか?
A3
REGISTRY BLAST で， Low Complete Filtering にチェックが付いた情報で検索，または
DGENE/PCTGEN/USGENE ファイルの BLAST で，デフォールト (オプションで -F F を付与
しない) 検索すると，配列質問式の低複雑度領域 * にマスクフィルタリングが行われます．
フィルタリングが行われるのは，質問式に対してのみで，データベースの配列には行われません．
フィルタプログラムにより見つけられた配列質問式の低複雑度領域は，塩基配列の場合は N，
アミノ酸配列の場合は X の文字で置き換えられます．
例 ) アミノ酸の配列質問式
NLDDNKNTGIFIISARGGIEGLQQKLWTGISIAIAQAAAALEGLRIAATLQGDNQ
Query:
Subject:
NLDDNKNTGIFIISARGGIEGLQQKLWTGXXXXXXXXXXXXXXXXXXXTLQGDNQ
NLDDNKNTGIFIISARGGIEGLQQKLWTGISIAIAQAAAALEGLRIAATLQGDNQ
NLDDNKNTGIFIISARGGIEGLQQKLWTGISIAIAQAAAALEGLRIAATLQGDNQ
* 低複雑領域とは，ホモポリマー領域，短周期リピート，特定残基への偏りなど，偏った組成
を持った配列領域のことです．(例 : proline-rich 領域，poly A tails など)
一般に，低複雑度領域は構造的な偏りが反映され，BLAST プログラムでは非常に高いス
コアがつく傾向があります．このような配列は，統計的には有意 (スコアが高い) であっても
生物学的には類似度は高くないということになります．そのため，フィルタリングを行うことに
より，このような低複雑度領域に対する一致など，有意でない一致を結果から除くことがで
きます．
5
よくあるご質問
Q4-1 tBLASTn, tBLASTx, BLASTx を実行 * すると，結果のアライメント情報に Frame 1, Frame 2
などが表示されます．この Frame の意味は?
A4-1 3 つの核酸が 1 つのアミノ酸に翻訳されます．
tBLASTn, ではデータベース中の核酸配列を，tBLASTx, BLASTx では質問式中の核酸配列
をアミノ酸配列に翻訳する際に，3 つの核酸をどこから括り始めるかにより翻訳されるアミノ酸
にバリエーションが生じます．
この際の読み枠を Frame (フレーム，読み枠 ) と呼びます．
Frame (フレーム，読み枠 )
・ Frame をずらせば，一本の核酸配列から三本のアミノ酸配列を作成できます
また核酸には相補鎖もあるので，相補鎖からも，三本のアミノ酸配列が作成されます．
よって，合計 6 通りのアミノ酸配列が作成され，検索に利用されます．
Frame 1
Frame 2
Frame 3
3’
5’
G T C A A T C A G C A C C T T T G T G G T
C A G T T A G T C G T G G A A A C A C C A
5’
アミノ酸配列に翻訳すると，
Frame 1 の場合
VNQHLCG
Frame 2 の場合
SISTFV
Frame 3 の場合
QSAPLW
(相補鎖 )
3’
・ Universal Genetic Code Table (遺伝子コード表 ) : 核酸をアミノ酸に翻訳する際に使用される表
1: 表中の T は T または U を表現しています
6
よくあるご質問
例 ) 下記のアミノ酸配列を REGISTRY ファイルの tBLASTn で検索する．
TVDQHLCGSHLVEALYSVWVHEAKGLPRAAAGAPGVRAELWLDGALLARTAPRAGPG
QLFWAERFHFEALPPARRLSLRLRGLGPGSAVLGRVALALEELDAPRAPAAGLERWF
- ヒットしたホモロジー検索の回答例
RN 903919-84-6
Length = 351
Score = 35.0 Expect = 7.1
Identities = 15/17 (88%) Positives = 16/17 (94%)
Frame = +3
Query:
2 VDQHLCGSHLVEALYSV 18
V+QHLCGSHLVEALYSV
Subject: 93 VNQHLCGSHLVEALYLV 143
・対応する RN 903919-84-6 の全配列長を REGISTRY ファイルで表示 (SQD 表示形式 )
RN
FS
SQL
NA
903919-84-6 REGISTRY
NUCLEIC ACID SEQUENCE
351
65 a
93 c
100 g
93 t
PATENT ANNOTATIONS (PNTE):
Sequence |Patent
Source
|Reference
=========+==============
Not Given|IN190003
ここから核酸配列の翻訳を
|unclaimed PAGE
開始したので，Frame = +3
|7
SEQ
1
51
101
151
201
251
301
351
aattcatggg cctatggatc cgtctactgc ctctgatcgc gctgctgatc
ctctggggac cggatccagc tgcggccgaa ttccggatgt ttgtcaatca
gcacctttgt ggttctcacc tggtggaggc tctgtacctg gtgtgtgggg
aacgtggttt cttctacaca cccaagaccc gtcgtgaagc tgaagacctt
caagtgggtc aagttgaact tggtgggggt cctggtgcgg gttctcttca
a c c t t t gFrame
g c t c3t cから核
g a g g g酸
a のアミノ酸
t c a c t t cへの翻
aaaa 訳
g cを開
g t g始
g cすると，塩
a t t g t g基
g aコード
g c a g t93 番目
g c t g c a cから
c a g 143
c a t番
c t目
g cで翻
t c c訳 cされたアミノ酸
t c t a c c a a c (VNQHLCGSHLVEALYLV)
t g g a g a a c t a c t g c a a c t gが質
a 問式
g
のアミノ酸配列と類似していた
**RELATED SEQUENCES AVAILABLE WITH SEQLINK**
Q4-2 また，一つの回答に一つの Frame しかない場合と Frame 1, Frame 3 など複数の Frame が
表示される場合があります．これはなぜですか?
A4-2 Frame が一つしか表示されない回答は，それ以外の Frame とは類似性が無いことを意味し
ています．
複数の Frame で類似性が生じた場合は，その類似性のあるヒットした Frame がすべて表示
されます．
7
よくあるご質問
Q5
ホモロジー検索で曖昧コードを使用した場合と使用しなかった場合のスコア値は同じですか?
例えば，DGENE ファイルの曖昧コード R は A または G を意味しますが，コード R で検索
した時の結果は，(コード A の結果 OR コード G の結果 ) と同じになりますか?
A5
いいえ，スコア値は異なります．
コード R で検索した結果は，(コード A の結果 OR コード G の結果 ) の結果とは異なります．
理由 : 使用するコードにより，スコア値を算出するための点数が異なるためです．
・ GETSIM の核酸検索のマトリックス
- 質問式中のコード R が回答のコード A または G でヒットした時は 2 点
- 質問式中のコード A が回答のコード A でヒットした時は 5 点
- 質問式中のコード G が回答のコード G でヒットした時は 5 点
点数が異なればスコア値にも影響します
8
よくあるご質問
Q6
基となる配列 (質問式 A) と，その一部のコードを切り取った配列 (質問式 B) の部分配列
検索の結果は下記のようになりますが，同じ関係がホモロジー検索の結果でも成立しますか?
質問式 A の回答件数 ≦ 質問式 B の回答件数
A6
いいえ，成立しません．
部分配列検索の結果は，質問式の配列を含むすべての配列が得られますが，ホモロジー検
索では，質問式の配列と局所領域において類似した配列が得られます．そのため，通常は配
列長の長い質問式 A の回答件数の方が，質問式 B の回答件数より多くなります．
(検証 ) 下記の 2 つのアミノ酸配列を REGISTRY ファイルで検索する．
・質問式 A (配列長 250)
KYCLNWRHQS
SDACTNLDDN
IAATLQGDNQ
HQLKDKETIQ
AGCSDISSCI
VKLFARSLDR
KNTGIFIISA
VLAITKEFMT
SSDFFVYSKR
ARCVENGLPK
LFGLDHAFSW
RGGIEGLQQK
PVPEDVIHEQ
IFFNGSILSQ
DAAYIQNIIM
IHVRLTNSTM
LWTGISIAIA
LSEAMSRYKR
CLKNFSKLTT
TRLQLLLDHY
YVADPFNPPD
QAAAALEGLR
TFTYLNYLMG
NATTLAENTV
YSMHGGINSE
・質問式 B (配列長 50) : 質問式 A の一部 (上記の網掛け部分 ) の配列
KYCLNWRHQS VKLFARSLDR LFGLDHAFSW IHVRLTNSTM YVADPFNPPD
(検索 )
質問式
A
B
部分配列検索の結果 (件数 )
1
3
BLAST ホモロジー検索の結果 (件数 )
800
452
BLAST ホモロジー検索の結果で，質問式 A のみで得られた回答例
① CAS 登録番号 821688-36-2
質問式 A
質問式 A の 4 ～ 219 番目のコードと 821688-36-2 の 605 ～ 829
番目のコードが類似していました．
質問式 B で考えた場合
質問式 B の 4～42 番目のコードに対して，821688-36-2 の 605～
647 番目のコードが対応しています (上記の枠内 )．しかしこの 2 つの
コード間では一致しているコードが少なく，さらに GAP も入っています
ので，類似性は非常に低いと考えられます．そのため，質問式 B の回
答に 821688-36-2 が含まれていなかったと思われます．
9
よくあるご質問
② CAS 登録番号 1375769-78-0
質問式 A の 112～195 番目のコードと 1375769-78-0 の 259～339
番目のコードが類似していました．
つまり，質問式 A の 1～50 番目のコード (= 質問式 B) に対しては，
1375769-78-0 のコードは類似性がありませんでした．
10
よくあるご質問
Q7
環状の核酸・タンパク質を検索する方法は？
A7
REGISTRY ファイル
・完全な環状であれば，特別な登録処理がされており，いずれの位置から始めても検索出来
るようになっています．
・ NTE フィールドに環化 (CYCLIC) と収録されます．
検索式 : => S コード/SQEP AND CYCLIC/NTE
DGENE/PCTGEN/USGENE ファイル
・ある位置で切断され，鎖状で登録されているため，開始位置を考慮する必要があります．
・環化の場合は，FEAT フィールドや標題・抄録中に CYCLIC のキーワードが収録されてい
る場合が多いので，必要に応じて環化のキーワード/FEAT で検索します．
検索式 : => RUN GETSEQ コード/SQEP AND CYCL?/FEAT (または CYCL?)
<検索例 : 下記の環状ペプチドを調査する>
Gly (G)
Asp (D)
Arg (R)
Lys (K)
Tyr (Y)
REGISTRY ファイル
・上記の環状ペプチドは完全な環状なので，GDYKR/SQEP, DYKRG/SQEP, YKRGD/SQEP,
KRGDY/SQEP RGDYK/SQEP,の何れの検索式でもヒットします．
=> FILE REGISTRY
L1
L2
L3
326 S GDYKR/SQEP
54121 S CYCLIC/NTE
319 S L1 AND L2
← G から始める
← 環化で限定するためのキーワード
(検証 ) 1 個ずつコードをずらして検索します．
L4
L5
L6
L7
L8
L9
L10
L11
L12
321
319
324
319
322
319
322
319
319
S
S
S
S
S
S
S
S
S
DYKRG/SQEP
L4 AND L2
YKRGD/SQEP
L6 AND L2
KRGDY/SQEP
L8 AND L2
RGDYK/SQEP
L10 AND L2
L3 OR L5 OR L7
← D から始める
← 環化されているレコードに限定
← Y から始めます
← K から始めます
← G から始めます
OR L9 OR L11 ← 何れの場合も結果は同じです
11
よくあるご質問
← L3 の 1 件目を SQIDE 表示形式で表示
=> D L3 SQIDE 1
L3
RN
CN
ANSWER 1 OF 319 REGISTRY COPYRIGHT 2012 ACS on STN
1380037-49-9 REGISTRY
Cyclo[L-arginylglycyl-L-α-aspartyl-D-tyrosyl-N6-(1-oxooctadecyl)-Llysyl] (CA INDEX NAME)
FS
PROTEIN SEQUENCE; STEREOSEARCH
SQL 5
NTE cyclic
modified (modifications unspecified)
---------------------------------------------------------------------type
------ location -----description
---------------------------------------------------------------------modification
Lys-5
undetermined modification
---------------------------------------------------------------------SEQ
1 RGDYK
=====
HITS AT:
1, 2-5
質問式 GDYKR/SQEP と SEQ フィールドの並びは異なって
いますが，完全な環化の場合は，開始位置に関わらずヒットし
ます．
HITS AT フィールドでヒット位置が表示されます
**RELATED SEQUENCES AVAILABLE WITH SEQLINK**
MF
C45 H75 N9 O9
SR
CA
LC
STN Files:
CA, CAPLUS, TOXCENTER
DT.CA CAplus document type: Patent
RL.P
Roles from patents: PREP (Preparation); PROC (Process)
Absolute stereochemistry.
**PROPERTY DATA AVAILABLE IN THE 'PROP' FORMAT**
1 REFERENCES IN FILE CA (1907 TO DATE)
1 REFERENCES IN FILE CAPLUS (1907 TO DATE)
参考 : 一部が環状化された配列
REGISTYR ファイルでは，一部が環状化された配列については，特別な登録処理がされていないため，
開始位置を考慮する必要があります
12
よくあるご質問
DGENE ファイル
・ REGISTRY ファイルと異なり，環状の配列はある位置で切断された鎖状の形式で登録されて
いるため，開始位置を 1 個ずつずらして検索するしかありません．
=> FILE DGENE
=> RUN GETSEQ GDYKR/SQEP
L1
0 GDYKR/SQEP
← G から始めます
=> RUN GETSEQ DYKRG/SQEP
L2
2 DYKRG/SQEP
← D から始めます
=> RUN GETSEQ YKRGD/SQEP
L3
1 YKRGD/SQEP
← Y から始めます
=> RUN GETSEQ KRGDY/SQEP
L4
1 KRGDY/SQEP
← K から始めます
=> RUN GETSEQ RGDYK/SQEP
L5
64 RGDYK/SQEP
← R から始めます
=> S CYCL?/FEAT
L6
26800 CYCL?/FEAT
=> S L2 AND L6
L7
0 L2 AND L6
=> S L3 AND L6
L8
0 L3 AND L6
特徴表 (FEAT) に環化のキーワードが収録されて
いるレコードに限定します
（特徴表でヒットしない場合は，標題・抄録中に環化
があるレコードまで広げます ((CYCL?) で検索）)
=> S L4 AND L6
L9
0 L4 AND L6
=> S L5 AND L6
L10
38 L5 AND L6
=> D L10 SQIDE 1
L10
AN
AA
SQL
SEQ
← RGDYK/SQEP でヒットした回答を SQIDE 表示形式で表示
ANSWER 1 OF 38 DGENE COPYRIGHT 2012 THOMSON REUTERS on STN
AZV31409 peptide
DGENE
0 A; 1 R; 0 N; 1 D; 0 B; 0 C; 0 Q; 0 E; 0 Z; 1 G; 0 H; 0 I; 0 L; 1 K; 0
M; 0 F; 0 P; 0 S; 0 T; 0 W; 1 Y; 0 V; 0 Others
5
1 rgdyk
=====
HITS AT: 1-5
1 位と 5 位のアミノ酸が結
FEATURE TABLE:
合し，環を形成しています
Key
|Location|Qualifier|
=============+========+=========+==========================
Modified-site|1
|note
|"This residue is condensed
|
|
|onto residue 5 to form a
|
|
|cyclic peptide"
Modified-site|5
|note
|"This residue is condensed
|
|
|onto residue 1 to form a
|
|
|cyclic peptide"
完全な環状配列の調査は，DGENE ファイルよりも REGISTRY ファイルの検索方法が
簡単です
13

Download Report